第一节长时记忆的类型 第二节层次网络模型和激活扩散模型

记忆:是过去经历过的事物在人脑中的反映 表象:是在头脑中出现的感知过的事物的形象。 遗忘:是对识记的材料不能再认或回忆,或再认和回忆时发生错误。用信息加工的观 点来说,遗忘就是信息提取不出来或提取错误

提出一种基于生物免疫系统克隆选择机理和免疫网络理论的免疫算法.该算法通过抗体的克隆选择和变异过程,完成对入侵抗原的清除,实现免疫防御的功能;利用免疫网络调节的思想选择抗体记忆细胞,完成知识的学习和积累,实现免疫自稳的功能;利用所建立的抗体记忆矩阵实现对类似入侵抗原的快速应答,行使免疫监视识别功能.该算法利用生物变异机制实现抗体的自适应调节,使系统具有自适应、自学习能力.在加热炉状态识别的应用研究表明,本文所提出的算法在解决数据识别方面具有较好的效果

学习和记忆是两个相联系的神经过程。学习指人和运动依赖于经验来改变自身行为以适应环境的神经活动过程。记忆则是学习到的信息 贮存和“读出”的神经活动过程

研究了Zr离子注入参数（注入剂量和注入电流）对NiTi形状记忆合金表面成分、形貌、硬度和耐磨性的影响.发现Zr离子注入后,Zr离子浓度在NiTi合金表面呈高斯分布,同时降低了合金表面的Ni含量.Zr离子注入后合金表面形貌出现沟槽结构,合金外表层纳米硬度、杨氏模量和显微硬度明显提高.摩擦磨损实验结果表明,Zr离子注入降低了NiTi合金初始摩擦因数,显著延长了维持初始低摩擦因数的时间,同时使磨痕的宽度和深度分别减小了30%~50%和28%~50%.因此,选择适当的注入参数可以使NiTi合金获得最佳的耐摩擦磨损性能

以记忆为话题的作文指导及范文_珍藏的记忆

针对已有移动自组网容量、延迟闭解分析在移动模型方面的局限性，提出了新的概率理论框架，将无记忆的独立同分布移动模型推广至更为真实的满足特定记忆条件的随机路径点移动模型，解决了局部移动方式带来的一系列复杂概率描述问题.对多副本两跳中继算法进行了研究，得出该中继模式下基于随机路径点移动模型的移动自组网的容量、延迟上限的精确闭解表达式.仿真实验结果证明了该概率理论框架的有效性及闭解表达式的准确性

设计拉伸疲劳试验,研究了疲劳载荷下磁信号暂时到达的稳定状态的特点以及疲劳过程中磁信号的分布、变化情况,并结合改进的J-A理论进行分析和讨论.结果显示:磁信号暂时到达的稳定状态在一个循环周期内沿环线变化,并且环线随循环载荷类型不同而变化,说明用改进的J-A理论描述磁记忆现象合理;疲劳过程中磁信号分三个阶段变化,这个特征由改进的J-A模型中描述磁畴壁运动所受阻碍的参数(ξ″)随疲劳损伤发展的变化规律解释;磁信号在缺陷附近呈\⌒\形的分布,这个特征由缺陷附近ξ″的分布规律解释

针对目前锂离子电池寿命预测结果不准确的问题，提出了一种多模态分解的锂离子电池组合预测模型，从而学习锂离子电池退化过程的微小变化。该方法在单一长短期记忆（LSTM）预测模型的基础上，采用了自适应噪声完全集成的经验模态分解(CEEMDAN)算法将锂电池容量分为主退化趋势和若干局部退化趋势，然后使用长短期记忆神经网络（LSTMNN）算法分别对所分解的若干退化数据进行寿命预测，最后将若干预测结果进行有效集成。结果表明，所提出的CEEMDAN?LSTM锂离子电池组合预测模型最大平均绝对百分比误差不超过1.5%，平均相对误差在3%以内，且优于其他预测模型

由于协作机器人的结构比普通工业机器人更为轻巧，一般动力学模型所忽略的复杂特性占比较大，导致协作机器人的计算预测力矩误差较大。据此提出在考虑重力、科里奥利力、惯性力和摩擦力等的基础上，采用深度循环神经网络中的长短期记忆模型对自主研发的六自由度协作机器人动力学模型进行误差补偿。在实验中采用优化后的基于傅里叶级数的激励轨迹驱动机器人运动，以电机电流估算关节力矩，获取的原始数据用来训练长短期记忆模型(LSTM)补偿网络。网络的训练结果和评价指标为预测力矩相比实际力矩的均方根误差。计算与实验结果表明，补偿后的协作机器人动力学模型对实际力矩具有更好的预测效果，各轴预测力矩与实际力矩的均方根误差相比于未补偿的传统模型降低了61.8%至78.9%不等，表明了文中所提出补偿方法的有效性